Objetivo

Analisar o retorno real/nominal para vários ativos para um período de X anos baseado na performance dos últimos 10 anos

Motivação da análise:

• https://cartadocondado.substack.com/p/ipca6-e-o-quase-almoco-gratis

• A Carta do Condado mostrou que o IPCA+6% tem a segunda melhor performance dos últimos 10 anos, gostaria de analisar se essa performance é apenas um fato de hoje (viés temporal) ou a estratégia performa bem independente do tempo da análise

Para simplificar a análise, vamos considerar os principais ativos apenas.

Ativos a se considerar:

• IPCA +6%
• CDI e Selic
• Dólar
• Ibovespa
• S&P500
• Nasdaq

Estudo divulgado na Carta (26/05/2024)

Instalações de libs

%%capture
!pip install sgs
!pip install

Imports

import requests
import pandas as pd
import numpy as np
import datetime
import yfinance as yf
import plotly.express as px

pd.set_option('display.max_rows', 1000)
pd.set_option('display.max_columns', 100)

Obtenção dos dados dos ativos

IPCA

# URL da API do Banco Central do Brasil para o IPCA (série temporal 433)
url = 'https://api.bcb.gov.br/dados/serie/bcdata.sgs.433/dados?formato=json'

# Fazer a requisição para a API do Banco Central do Brasil
response = requests.get(url)
data = response.json()

# Transformar os dados em um DataFrame do Pandas
ipca = pd.DataFrame(data)

# Converter a coluna 'data' para o tipo datetime
ipca['data'] = pd.to_datetime(ipca['data'], dayfirst=True)

# Converter a coluna 'valor' para o tipo float
ipca['valor'] = ipca['valor'].astype(float)

ipca.head()

	data	valor
0	1980-01-01	6.62
1	1980-02-01	4.62
2	1980-03-01	6.04
3	1980-04-01	5.29
4	1980-05-01	5.70

ipca.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 532 entries, 0 to 531
Data columns (total 2 columns):
 #   Column  Non-Null Count  Dtype         
---  ------  --------------  -----         
 0   data    532 non-null    datetime64[ns]
 1   valor   532 non-null    float64       
dtypes: datetime64[ns](1), float64(1)
memory usage: 8.4 KB

ipca['data'].min(), ipca['data'].max()

(Timestamp('1980-01-01 00:00:00'), Timestamp('2024-04-01 00:00:00'))

ipca.tail(5)

	data	valor
527	2023-12-01	0.56
528	2024-01-01	0.42
529	2024-02-01	0.83
530	2024-03-01	0.16
531	2024-04-01	0.38

Temos os dados do IPCA numa granularidade mês com dados de 1980 até 2024.

São dados mais que suficientes pra nossa análise.

Vamos ter que trabalhar um pouco em cima destes dados para gerar uma visão do 'acumulado' do último ano, por exemplo. Mas vamos deixar isso para uma etapa posterior.

Selic

# URL da API do Banco Central do Brasil para Selic (série temporal 432)
url = 'https://api.bcb.gov.br/dados/serie/bcdata.sgs.432/dados?formato=json'

# Fazer a requisição para a API do Banco Central do Brasil
response = requests.get(url)
data = response.json()

# Transformar os dados em um DataFrame do Pandas
selic = pd.DataFrame(data)

# Converter a coluna 'data' para o tipo datetime
selic['data'] = pd.to_datetime(selic['data'], dayfirst=True)

# Converter a coluna 'valor' para o tipo float
selic['valor'] = selic['valor'].astype(float)

selic.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 9239 entries, 0 to 9238
Data columns (total 2 columns):
 #   Column  Non-Null Count  Dtype         
---  ------  --------------  -----         
 0   data    9239 non-null   datetime64[ns]
 1   valor   9239 non-null   float64       
dtypes: datetime64[ns](1), float64(1)
memory usage: 144.5 KB

# Exibir as primeiras linhas do DataFrame
selic.head()

	data	valor
0	1999-03-05	45.0
1	1999-03-06	45.0
2	1999-03-07	45.0
3	1999-03-08	45.0
4	1999-03-09	45.0

selic['data'].min(), selic['data'].max()

(Timestamp('1999-03-05 00:00:00'), Timestamp('2024-06-19 00:00:00'))

# Ordenar os dados por data
selic = selic.sort_values('data')

# Exibir as últimas linhas do DataFrame com o acumulado dos últimos 12 meses
display(selic.tail(15))

	data	valor
9224	2024-06-05	10.5
9225	2024-06-06	10.5
9226	2024-06-07	10.5
9227	2024-06-08	10.5
9228	2024-06-09	10.5
9229	2024-06-10	10.5
9230	2024-06-11	10.5
9231	2024-06-12	10.5
9232	2024-06-13	10.5
9233	2024-06-14	10.5
9234	2024-06-15	10.5
9235	2024-06-16	10.5
9236	2024-06-17	10.5
9237	2024-06-18	10.5
9238	2024-06-19	10.5

# Sanity check: vamos checar se os valores da Selic 2024 está de acordo com os valores que sabemos
filtro_2024 = selic['data'] >= datetime.datetime(2024, 1, 1)

valores_selic_2024 = selic[filtro_2024]['valor'].unique()

print(f'valores da Selic em 2024: {valores_selic_2024}')

valores da Selic em 2024: [11.75 11.25 10.75 10.5 ]

CDI

# URL da API do Banco Central do Brasil para CDI (série temporal 12)
url = 'https://api.bcb.gov.br/dados/serie/bcdata.sgs.12/dados?formato=json'

# Fazer a requisição para a API do Banco Central do Brasil
response = requests.get(url)
data = response.json()

# Transformar os dados em um DataFrame do Pandas
cdi = pd.DataFrame(data)

# Converter a coluna 'data' para o tipo datetime
cdi['data'] = pd.to_datetime(cdi['data'], dayfirst=True)

# Converter a coluna 'valor' para o tipo float
cdi['valor'] = cdi['valor'].astype(float)

cdi.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 9563 entries, 0 to 9562
Data columns (total 2 columns):
 #   Column  Non-Null Count  Dtype         
---  ------  --------------  -----         
 0   data    9563 non-null   datetime64[ns]
 1   valor   9563 non-null   float64       
dtypes: datetime64[ns](1), float64(1)
memory usage: 149.5 KB

# Exibir as primeiras linhas do DataFrame
cdi.head()

	data	valor
0	1986-03-06	0.068111
1	1986-03-10	0.069028
2	1986-03-12	0.067417
3	1986-03-14	0.064584
4	1986-03-17	0.068222

cdi['data'].min(), cdi['data'].max()

(Timestamp('1986-03-06 00:00:00'), Timestamp('2024-05-29 00:00:00'))

# Ordenar os dados por data
cdi = cdi.sort_values('data')

Para calcular corretamente o acumulado do CDI, é importante lembrar que o CDI é uma taxa de juros e, normalmente, o que se quer é o acumulado dos rendimentos diários, e não a soma simples dos valores. O cálculo do CDI acumulado envolve multiplicar os fatores de rendimento diário.

Passos:

• Calcular o fator diário de rendimento a partir das taxas diárias do CDI.
• Calcular o produto acumulado dos fatores diários ao longo dos últimos 365 dias.

# Calcular o fator diário de rendimento
cdi['fator'] = (1 + cdi['valor'] / 100)

# Função para calcular o acumulado para os últimos <dias> dias corridos
def calcular_acumulado_dias(cdi, data_col, fator_col, dias):
    cdi[f'cdi_acum_{str(dias)}d'] = np.nan
    for i in range(len(cdi)):
        end_date = cdi[data_col].iloc[i]
        start_date = end_date - pd.Timedelta(days=dias)
        mask = (cdi[data_col] > start_date) & (cdi[data_col] <= end_date)
        cdi.at[i, f'cdi_acum_{str(dias)}d'] = cdi.loc[mask, fator_col].prod() - 1
    return cdi

# Aplicar a função ao DataFrame
# 1 ano
cdi = calcular_acumulado_dias(cdi, 'data', 'fator', 365)
# 10 anos
cdi = calcular_acumulado_dias(cdi, 'data', 'fator', 365*10)

cdi.tail()

	data	valor	fator	cdi_acum_365d	cdi_acum_3650d
9558	2024-05-23	0.03927	1.000393	0.120575	1.422814
9559	2024-05-24	0.03927	1.000393	0.120446	1.422780
9560	2024-05-27	0.03927	1.000393	0.120317	1.420774
9561	2024-05-28	0.03927	1.000393	0.120188	1.421724
9562	2024-05-29	0.03927	1.000393	0.120059	1.422675

cdi[cdi['data'] <= datetime.datetime(2021,12,31)].tail()

	data	valor	fator	cdi_acum_365d	cdi_acum_3650d
8955	2021-12-27	0.034749	1.000347	0.043098	1.225740
8956	2021-12-28	0.034749	1.000347	0.043382	1.226513
8957	2021-12-29	0.034749	1.000347	0.043667	1.227287
8958	2021-12-30	0.034749	1.000347	0.043951	1.227147
8959	2021-12-31	0.034749	1.000347	0.044236	1.227008

Dólar

# URL da API do Banco Central do Brasil para o câmbio do dólar (série temporal 1)
url = 'https://api.bcb.gov.br/dados/serie/bcdata.sgs.1/dados?formato=json'

# Fazer a requisição para a API do Banco Central do Brasil
response = requests.get(url)
data = response.json()

# Transformar os dados em um DataFrame do Pandas
dolar = pd.DataFrame(data)

# Converter a coluna 'data' para o tipo datetime
dolar['data'] = pd.to_datetime(dolar['data'], dayfirst=True)

# Converter a coluna 'valor' para o tipo float
dolar['valor'] = dolar['valor'].astype(float)

# Exibir as primeiras linhas do DataFrame
display(dolar.head())

	data	valor
0	1984-11-28	2828.0
1	1984-11-29	2828.0
2	1984-11-30	2881.0
3	1984-12-03	2881.0
4	1984-12-04	2881.0

dolar['data'].min(), dolar['data'].max()

(Timestamp('1984-11-28 00:00:00'), Timestamp('2024-05-31 00:00:00'))

# Ordenar os dados por data
dolar = dolar.sort_values('data')

# Exibir as últimas linhas do DataFrame com o acumulado dos últimos 12 meses
display(dolar.tail(15))

	data	valor
9882	2024-05-10	5.1464
9883	2024-05-13	5.1412
9884	2024-05-14	5.1356
9885	2024-05-15	5.1423
9886	2024-05-16	5.1270
9887	2024-05-17	5.1157
9888	2024-05-20	5.1085
9889	2024-05-21	5.1037
9890	2024-05-22	5.1502
9891	2024-05-23	5.1443
9892	2024-05-24	5.1508
9893	2024-05-27	5.1704
9894	2024-05-28	5.1538
9895	2024-05-29	5.1972
9896	2024-05-31	5.2416

Ibovespa

# Obter os dados do Ibovespa (use o ticker '^BVSP' para o Ibovespa)
ibovespa = yf.download('^BVSP', start='1990-01-01', end='2024-05-01')

[*********************100%***********************]  1 of 1 completed

ibovespa = (
    ibovespa
    .reset_index()
)

ibovespa['data'] = pd.to_datetime(ibovespa['Date'], dayfirst=True)

ibovespa = (
    ibovespa
    .sort_values(by=['data'], ascending=True)
)

ibovespa.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 7676 entries, 0 to 7675
Data columns (total 8 columns):
 #   Column     Non-Null Count  Dtype         
---  ------     --------------  -----         
 0   Date       7676 non-null   datetime64[ns]
 1   Open       7676 non-null   float64       
 2   High       7676 non-null   float64       
 3   Low        7676 non-null   float64       
 4   Close      7676 non-null   float64       
 5   Adj Close  7676 non-null   float64       
 6   Volume     7676 non-null   int64         
 7   data       7676 non-null   datetime64[ns]
dtypes: datetime64[ns](2), float64(5), int64(1)
memory usage: 539.7 KB

# Exibir as primeiras linhas do DataFrame
display(ibovespa.head())

	Date	Open	High	Low	Close	Adj Close	Volume	data
0	1993-04-27	24.799999	25.400000	24.500000	24.500000	24.500000	0	1993-04-27
1	1993-04-28	24.500000	24.600000	23.700001	24.299999	24.299999	0	1993-04-28
2	1993-04-29	24.299999	24.799999	23.700001	23.700001	23.700001	0	1993-04-29
3	1993-04-30	23.700001	24.200001	23.700001	24.100000	24.100000	0	1993-04-30
4	1993-05-03	24.100000	24.400000	23.799999	24.100000	24.100000	0	1993-05-03

display(ibovespa.tail())

	Date	Open	High	Low	Close	Adj Close	Volume	data
7671	2024-04-24	125149.0	125473.0	124556.0	124741.0	124741.0	10526300	2024-04-24
7672	2024-04-25	124718.0	124732.0	123703.0	124646.0	124646.0	10093100	2024-04-25
7673	2024-04-26	124651.0	126826.0	124651.0	126526.0	126526.0	8900000	2024-04-26
7674	2024-04-29	126527.0	127352.0	126467.0	127352.0	127352.0	8385100	2024-04-29
7675	2024-04-30	127352.0	127352.0	125856.0	125924.0	125924.0	10889600	2024-04-30

ibovespa['data'].min(), ibovespa['data'].max()

(Timestamp('1993-04-27 00:00:00'), Timestamp('2024-04-30 00:00:00'))

SP&500

# Obter os dados do sp&500 (use o ticker '^GSPC' para o Ibovespa)
sp500 = yf.download('^GSPC', start='1990-01-01', end='2024-05-01')

[*********************100%***********************]  1 of 1 completed

sp500 = (
    sp500
    .reset_index()
)

sp500['data'] = pd.to_datetime(sp500['Date'], dayfirst=True)

sp500 = (
    sp500
    .sort_values(by=['data'], ascending=True)
)

# Exibir as primeiras linhas do DataFrame
display(sp500.head())

	Date	Open	High	Low	Close	Adj Close	Volume	data
0	1990-01-02	353.399994	359.690002	351.980011	359.690002	359.690002	162070000	1990-01-02
1	1990-01-03	359.690002	360.589996	357.890015	358.760010	358.760010	192330000	1990-01-03
2	1990-01-04	358.760010	358.760010	352.890015	355.670013	355.670013	177000000	1990-01-04
3	1990-01-05	355.670013	355.670013	351.350006	352.200012	352.200012	158530000	1990-01-05
4	1990-01-08	352.200012	354.239990	350.540009	353.790009	353.790009	140110000	1990-01-08

display(sp500.tail())

	Date	Open	High	Low	Close	Adj Close	Volume	data
8643	2024-04-24	5084.859863	5089.479980	5047.020020	5071.629883	5071.629883	3656740000	2024-04-24
8644	2024-04-25	5019.879883	5057.750000	4990.580078	5048.419922	5048.419922	3958050000	2024-04-25
8645	2024-04-26	5084.649902	5114.620117	5073.140137	5099.959961	5099.959961	3604140000	2024-04-26
8646	2024-04-29	5114.129883	5123.490234	5088.649902	5116.169922	5116.169922	3447450000	2024-04-29
8647	2024-04-30	5103.779785	5110.830078	5035.310059	5035.689941	5035.689941	4082470000	2024-04-30

sp500['data'].min(), sp500['data'].max()

(Timestamp('1990-01-02 00:00:00'), Timestamp('2024-04-30 00:00:00'))

Nasdaq

# Obter os dados Nasdaq (use o ticker '^^IXIC)
nasdaq = yf.download('^IXIC', start='1990-01-01', end='2024-05-01')

[*********************100%***********************]  1 of 1 completed

nasdaq = (
    nasdaq
    .reset_index()
)

nasdaq['data'] = pd.to_datetime(nasdaq['Date'], dayfirst=True)

nasdaq = (
    nasdaq
    .sort_values(by=['data'], ascending=True)
)

# Exibir as primeiras linhas do DataFrame
display(nasdaq.head())

	Date	Open	High	Low	Close	Adj Close	Volume	data
0	1990-01-02	452.899994	459.299988	452.700012	459.299988	459.299988	110720000	1990-01-02
1	1990-01-03	461.100006	461.600006	460.000000	460.899994	460.899994	152660000	1990-01-03
2	1990-01-04	460.399994	460.799988	456.899994	459.399994	459.399994	147950000	1990-01-04
3	1990-01-05	457.899994	459.399994	457.799988	458.200012	458.200012	137230000	1990-01-05
4	1990-01-08	457.100006	458.700012	456.500000	458.700012	458.700012	115500000	1990-01-08

display(nasdaq.tail())

	Date	Open	High	Low	Close	Adj Close	Volume	data
8643	2024-04-24	15805.599609	15839.000000	15634.440430	15712.750000	15712.750000	4735870000	2024-04-24
8644	2024-04-25	15375.259766	15644.509766	15343.910156	15611.759766	15611.759766	4743640000	2024-04-25
8645	2024-04-26	15821.339844	15981.000000	15770.719727	15927.900391	15927.900391	4694400000	2024-04-26
8646	2024-04-29	16007.000000	16021.490234	15885.889648	15983.080078	15983.080078	4972520000	2024-04-29
8647	2024-04-30	15920.889648	15979.360352	15655.669922	15657.820312	15657.820312	5229400000	2024-04-30

nasdaq['data'].min(), nasdaq['data'].max()

(Timestamp('1990-01-02 00:00:00'), Timestamp('2024-04-30 00:00:00'))

Ouro (GC=F)

# Obter os dados Fundos Imobiliários (use o ticker '^IFIX)
ouro = yf.download('GC=F', start='1990-01-01', end='2024-05-01')

[*********************100%***********************]  1 of 1 completed

ouro = (
    ouro
    .reset_index()
)

ouro['data'] = pd.to_datetime(ouro['Date'], dayfirst=True)

ouro = (
    ouro
    .sort_values(by=['data'], ascending=True)
)

# Exibir as primeiras linhas do DataFrame
display(ouro.head())

	Date	Open	High	Low	Close	Adj Close	Volume	data
0	2000-08-30	273.899994	273.899994	273.899994	273.899994	273.899994	0	2000-08-30
1	2000-08-31	274.799988	278.299988	274.799988	278.299988	278.299988	0	2000-08-31
2	2000-09-01	277.000000	277.000000	277.000000	277.000000	277.000000	0	2000-09-01
3	2000-09-05	275.799988	275.799988	275.799988	275.799988	275.799988	2	2000-09-05
4	2000-09-06	274.200012	274.200012	274.200012	274.200012	274.200012	0	2000-09-06

display(ouro.tail())

	Date	Open	High	Low	Close	Adj Close	Volume	data
5933	2024-04-24	2321.300049	2328.699951	2314.600098	2324.500000	2324.500000	95	2024-04-24
5934	2024-04-25	2315.000000	2329.800049	2305.000000	2329.800049	2329.800049	1024	2024-04-25
5935	2024-04-26	2347.899902	2347.899902	2332.800049	2334.800049	2334.800049	717	2024-04-26
5936	2024-04-29	2334.800049	2345.500000	2327.899902	2345.399902	2345.399902	405	2024-04-29
5937	2024-04-30	2322.500000	2322.500000	2291.399902	2291.399902	2291.399902	113	2024-04-30

ouro['data'].min(), ouro['data'].max()

(Timestamp('2000-08-30 00:00:00'), Timestamp('2024-04-30 00:00:00'))

Consolidação dos dados

Vamos consolidar os dados para a granularidade da nossa análise (ano) e (ano/mês) e calcular os retornos acumulados nos últimos 10 anos de forma "rolling/móvel"

Vamos agregar os valores de dia para mês utilizando a mediana

IPCA consolidado

ipca.head(3)

	data	valor
0	1980-01-01	6.62
1	1980-02-01	4.62
2	1980-03-01	6.04

ipca.tail(3)

	data	valor
529	2024-02-01	0.83
530	2024-03-01	0.16
531	2024-04-01	0.38

# check de sanidade de dados duplicados
print(ipca['data'].shape[0], ipca.drop_duplicates(subset=['data']).shape[0])

532 532

# cria coluna ano-mês
ipca['ano-mês'] = ipca['data'].dt.to_period('M')
# converte para string para plot
ipca['ano-mês'] = ipca['ano-mês'].astype(str)

ipca_consolidado = ipca.copy()

ipca_consolidado['ipca_acum_12m'] = (
    ipca_consolidado['valor']
    .rolling(window=12, min_periods=1, closed='left')
    .sum()
)

ipca_consolidado['ipca_acum_10y'] = (
    ipca_consolidado['valor']
    .rolling(window=12*10, min_periods=1, closed='left')
    .sum()
)

ipca_consolidado = ipca_consolidado.drop('data', axis=1)
ipca_consolidado = ipca_consolidado.rename(columns = {'valor' : 'ipca'})

# validação dos dados
filtro_ipca_inferior = ipca_consolidado['ano-mês'] >= '2008-01-01'
filtro_ipca_superior = ipca_consolidado['ano-mês'] <= '2023-12-01'
fig = px.line(ipca_consolidado[filtro_ipca_inferior & filtro_ipca_superior],
              x='ano-mês',
              y='ipca_acum_12m',
              title='IPCA Acumulado nos Últimos 12 Meses',
              markers=True)

fig.show()

Vamos comparar com dados do IBGE/Banco Central

Selic consolidado

selic

	data	valor
0	1999-03-05	45.0
1	1999-03-06	45.0
2	1999-03-07	45.0
3	1999-03-08	45.0
4	1999-03-09	45.0
...	...	...
9234	2024-06-15	10.5
9235	2024-06-16	10.5
9236	2024-06-17	10.5
9237	2024-06-18	10.5
9238	2024-06-19	10.5

9239 rows × 2 columns

# check de sanidade de dados duplicados
print(selic['data'].shape[0], selic.drop_duplicates(subset=['data']).shape[0])

9239 9239

# cria coluna ano-mês
selic['ano-mês'] = selic['data'].dt.to_period('M')
# converte para string para plot
selic['ano-mês'] = selic['ano-mês'].astype(str)

selic.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 9239 entries, 0 to 9238
Data columns (total 3 columns):
 #   Column   Non-Null Count  Dtype         
---  ------   --------------  -----         
 0   data     9239 non-null   datetime64[ns]
 1   valor    9239 non-null   float64       
 2   ano-mês  9239 non-null   object        
dtypes: datetime64[ns](1), float64(1), object(1)
memory usage: 288.7+ KB

selic_consolidado = (
    selic
    .groupby('ano-mês')
    .agg(
        selic = ('valor', 'median')
    )
    .reset_index()
    .sort_values(by=['ano-mês'], ascending=True)
)

# validação dos dados
filtro_selic_inferior = selic_consolidado['ano-mês'] >= '2013-01-01'
filtro_selic_superior = selic_consolidado['ano-mês'] <= '2023-12-01'
fig = px.line(selic_consolidado[filtro_selic_inferior & filtro_selic_superior],
              x='ano-mês',
              y='selic',
              title='evolução da taxa Selic (% ao ano)',
              markers=True)

fig.show()

Vamos comparar com dados do Banco Central

CDI consolidado

cdi.head(3)

	data	valor	fator	cdi_acum_365d	cdi_acum_3650d
0	1986-03-06	0.068111	1.000681	0.000681	0.000681
1	1986-03-10	0.069028	1.000690	0.001372	0.001372
2	1986-03-12	0.067417	1.000674	0.002047	0.002047

# check de sanidade de dados duplicados
print(cdi['data'].shape[0], cdi.drop_duplicates(subset=['data']).shape[0])

9563 9563

# cria coluna ano-mês
cdi['ano-mês'] = cdi['data'].dt.to_period('M')
# converte para string para plot
cdi['ano-mês'] = cdi['ano-mês'].astype(str)

cdi_consolidado = (
    cdi
    .groupby('ano-mês')
    .agg(
        cdi_acum_365d = ('cdi_acum_365d', 'median'),
        cdi_acum_3650d = ('cdi_acum_3650d', 'median'),
    )
    .reset_index()
    .sort_values(by=['ano-mês'], ascending=True)
)

cdi_consolidado

	ano-mês	cdi_acum_365d	cdi_acum_3650d
0	1986-03	0.004706	4.705862e-03
1	1986-04	0.015916	1.591599e-02
2	1986-05	0.029556	2.955569e-02
3	1986-06	0.044334	4.433380e-02
4	1986-07	0.063897	6.389657e-02
5	1986-08	0.090380	9.038005e-02
6	1986-09	0.125320	1.253204e-01
7	1986-10	0.163644	1.636437e-01
8	1986-11	0.209698	2.096978e-01
9	1986-12	0.310693	3.106927e-01
10	1987-01	0.475052	4.750519e-01
11	1987-02	0.749700	7.497002e-01
12	1987-03	1.058633	1.066277e+00
13	1987-04	1.332204	1.367804e+00
14	1987-05	1.837172	1.921031e+00
15	1987-06	2.461115	2.614559e+00
16	1987-07	2.782858	3.024570e+00
17	1987-08	3.000990	3.362599e+00
18	1987-09	3.240033	3.775024e+00
19	1987-10	3.449990	4.178202e+00
20	1987-11	3.812494	4.821678e+00
21	1987-12	4.119900	5.710632e+00
22	1988-01	4.269154	6.746821e+00
23	1988-02	4.336493	8.185575e+00
24	1988-03	4.291688	9.859538e+00
25	1988-04	4.375812	1.183613e+01
26	1988-05	4.284531	1.443624e+01
27	1988-06	4.057743	1.724315e+01
28	1988-07	4.498094	2.112746e+01
29	1988-08	5.397897	2.691146e+01
30	1988-09	6.161503	3.333480e+01
31	1988-10	7.508341	4.305791e+01
32	1988-11	8.778306	5.604017e+01
33	1988-12	9.756959	7.166127e+01
34	1989-01	11.117559	9.405095e+01
35	1989-02	11.208705	1.116694e+02
36	1989-03	11.557648	1.352015e+02
37	1989-04	11.438611	1.571014e+02
38	1989-05	10.328040	1.733910e+02
39	1989-06	10.175808	2.028835e+02
40	1989-07	11.301773	2.712070e+02
41	1989-08	12.033821	3.627930e+02
42	1989-09	13.522140	4.948724e+02
43	1989-10	15.181191	7.119095e+02
44	1989-11	17.366317	1.052810e+03
45	1989-12	21.564602	1.619185e+03
46	1990-01	27.700249	2.716293e+03
47	1990-02	42.183551	4.768447e+03
48	1990-03	57.479431	8.122309e+03
49	1990-04	55.353417	8.928808e+03
50	1990-05	52.344994	9.325602e+03
51	1990-06	48.087595	1.000693e+04
52	1990-07	40.780893	1.129165e+04
53	1990-08	34.113953	1.277321e+04
54	1990-09	28.706080	1.461374e+04
55	1990-10	23.828395	1.769940e+04
56	1990-11	19.513172	2.161539e+04
57	1990-12	15.696309	2.638354e+04
58	1991-01	11.501299	3.396713e+04
59	1991-02	6.567397	3.933613e+04
60	1991-03	4.362229	4.285357e+04
61	1991-04	4.401245	4.805516e+04
62	1991-05	4.846322	5.445417e+04
63	1991-06	5.031259	6.009464e+04
64	1991-07	4.985620	6.740468e+04
65	1991-08	5.026125	7.677448e+04
66	1991-09	5.277674	9.117773e+04
67	1991-10	5.326637	1.107939e+05
68	1991-11	5.811043	1.452723e+05
69	1991-12	6.158552	1.894537e+05
70	1992-01	6.257590	2.466760e+05
71	1992-02	7.188928	3.183864e+05
72	1992-03	8.409962	4.098880e+05
73	1992-04	9.644072	5.107292e+05
74	1992-05	10.501955	6.281415e+05
75	1992-06	11.942457	7.757092e+05
76	1992-07	13.324094	9.708830e+05
77	1992-08	14.878927	1.223448e+06
78	1992-09	15.846084	1.551241e+06
79	1992-10	16.750093	1.984614e+06
80	1992-11	16.374119	2.539953e+06
81	1992-12	15.461112	3.135076e+06
82	1993-01	15.331935	4.028724e+06
83	1993-02	15.827786	5.208443e+06
84	1993-03	15.627385	6.675736e+06
85	1993-04	15.846995	8.703734e+06
86	1993-05	17.135688	1.133382e+07
87	1993-06	18.072313	1.494875e+07
88	1993-07	19.397613	1.970416e+07
89	1993-08	20.639635	2.633240e+07
90	1993-09	22.055853	3.576520e+07
91	1993-10	24.139567	4.960134e+07
92	1993-11	26.129606	6.863819e+07
93	1993-12	28.690911	9.355823e+07
94	1994-01	32.678534	1.348388e+08
95	1994-02	35.467190	1.960032e+08
96	1994-03	40.451743	2.753118e+08
97	1994-04	46.861711	4.106864e+08
98	1994-05	52.173609	5.988944e+08
99	1994-06	58.642413	8.915794e+08
100	1994-07	55.738609	1.117953e+09
101	1994-08	43.760724	1.170768e+09
102	1994-09	33.035771	1.217296e+09
103	1994-10	24.258887	1.263048e+09
104	1994-11	18.123054	1.312496e+09
105	1994-12	13.480853	1.364895e+09
106	1995-01	9.574699	1.414079e+09
107	1995-02	6.484907	1.461811e+09
108	1995-03	4.455210	1.514495e+09
109	1995-04	2.856758	1.583918e+09
110	1995-05	1.755866	1.650354e+09
111	1995-06	0.927852	1.718833e+09
112	1995-07	0.602331	1.788359e+09
113	1995-08	0.586967	1.857971e+09
114	1995-09	0.581548	1.923486e+09
115	1995-10	0.573487	1.983660e+09
116	1995-11	0.556204	2.042511e+09
117	1995-12	0.540316	2.098902e+09
118	1996-01	0.523207	2.153936e+09
119	1996-02	0.508211	2.206698e+09
120	1996-03	0.489811	2.246394e+09
121	1996-04	0.452556	2.263859e+09
122	1996-05	0.421104	2.278805e+09
123	1996-06	0.394708	2.291667e+09
124	1996-07	0.365947	2.292880e+09
125	1996-08	0.339271	2.277463e+09
126	1996-09	0.320551	2.247537e+09
127	1996-10	0.302257	2.215029e+09
128	1996-11	0.289334	2.164265e+09
129	1996-12	0.275718	2.016608e+09
130	1997-01	0.264409	1.830668e+09
131	1997-02	0.254404	1.508020e+09
132	1997-03	0.250708	1.368759e+09
133	1997-04	0.245121	1.200927e+09
134	1997-05	0.240188	9.872881e+08
135	1997-06	0.234785	8.035667e+08
136	1997-07	0.230024	7.426036e+08
137	1997-08	0.226379	6.971353e+08
138	1997-09	0.222397	6.447073e+08
139	1997-10	0.219029	6.050442e+08
140	1997-11	0.226020	5.478748e+08
141	1997-12	0.239726	4.874421e+08
142	1998-01	0.252822	4.355465e+08
143	1998-02	0.263372	3.791844e+08
144	1998-03	0.265953	3.236582e+08
145	1998-04	0.269908	2.828728e+08
146	1998-05	0.270657	2.357522e+08
147	1998-06	0.270785	2.035023e+08
148	1998-07	0.271485	1.708466e+08
149	1998-08	0.271237	1.358508e+08
150	1998-09	0.274018	1.148050e+08
151	1998-10	0.290649	9.100114e+07
152	1998-11	0.295742	7.168505e+07
153	1998-12	0.290027	5.853682e+07
154	1999-01	0.282246	4.562147e+07
155	1999-02	0.281957	4.054537e+07
156	1999-03	0.290050	3.318719e+07
157	1999-04	0.300502	2.979445e+07
158	1999-05	0.307674	2.736072e+07
159	1999-06	0.308585	2.394202e+07
160	1999-07	0.308619	1.823357e+07
161	1999-08	0.308603	1.360967e+07
162	1999-09	0.303884	1.031125e+07
163	1999-10	0.286402	7.140008e+06
164	1999-11	0.267278	4.979065e+06
165	1999-12	0.254516	3.197801e+06
166	2000-01	0.247947	1.906393e+06
167	2000-02	0.235588	1.065006e+06
168	2000-03	0.216349	6.870571e+05
169	2000-04	0.203689	6.374447e+05
170	2000-05	0.192871	6.159338e+05
171	2000-06	0.190386	5.836589e+05
172	2000-07	0.186766	5.147578e+05
173	2000-08	0.183961	4.673397e+05
174	2000-09	0.181579	4.071376e+05
175	2000-10	0.179613	3.411160e+05
176	2000-11	0.177787	2.853326e+05
177	2000-12	0.175880	2.343688e+05
178	2001-01	0.171770	1.849114e+05
179	2001-02	0.168909	1.657451e+05
180	2001-03	0.165807	1.505652e+05
181	2001-04	0.163140	1.350008e+05
182	2001-05	0.161741	1.220470e+05
183	2001-06	0.160404	1.113002e+05
184	2001-07	0.161016	1.006192e+05
185	2001-08	0.163212	9.016887e+04
186	2001-09	0.165363	7.516677e+04
187	2001-10	0.167444	6.373968e+04
188	2001-11	0.169567	4.826377e+04
189	2001-12	0.171680	3.724507e+04
190	2002-01	0.174407	3.009365e+04
191	2002-02	0.176636	2.305274e+04
192	2002-03	0.180361	1.915720e+04
193	2002-04	0.182801	1.515945e+04
194	2002-05	0.184533	1.257549e+04
195	2002-06	0.185506	1.016598e+04
196	2002-07	0.185757	8.322026e+03
197	2002-08	0.184828	6.733250e+03
198	2002-09	0.184434	5.297437e+03
199	2002-10	0.184681	4.287533e+03
200	2002-11	0.187000	3.354594e+03
201	2002-12	0.189091	2.711252e+03
202	2003-01	0.193665	2.197617e+03
203	2003-02	0.200390	1.638573e+03
204	2003-03	0.204292	1.349728e+03
205	2003-04	0.210670	1.088327e+03
206	2003-05	0.215834	8.400393e+02
207	2003-06	0.223535	6.535944e+02
208	2003-07	0.228992	5.039707e+02
209	2003-08	0.234879	3.847608e+02
210	2003-09	0.238536	2.857191e+02
211	2003-10	0.239855	2.103960e+02
212	2003-11	0.238842	1.529351e+02
213	2003-12	0.235759	1.118749e+02
214	2004-01	0.228646	7.928745e+01
215	2004-02	0.221568	5.574643e+01
216	2004-03	0.213537	3.823928e+01
217	2004-04	0.204278	2.597637e+01
218	2004-05	0.197436	1.714752e+01
219	2004-06	0.188024	1.185445e+01
220	2004-07	0.180477	9.562532e+00
221	2004-08	0.172981	9.201757e+00
222	2004-09	0.166897	8.964302e+00
223	2004-10	0.163201	8.716854e+00
224	2004-11	0.159825	8.457941e+00
225	2004-12	0.159713	8.221683e+00
226	2005-01	0.162388	8.016329e+00
227	2005-02	0.163031	7.811106e+00
228	2005-03	0.165807	7.656744e+00
229	2005-04	0.168419	7.411411e+00
230	2005-05	0.171409	7.173118e+00
231	2005-06	0.174784	6.982052e+00
232	2005-07	0.178206	6.788757e+00
233	2005-08	0.181664	6.605208e+00
234	2005-09	0.185049	6.468281e+00
235	2005-10	0.187726	6.337922e+00
236	2005-11	0.189591	6.238921e+00
237	2005-12	0.190666	6.135347e+00
238	2006-01	0.190796	6.060252e+00
239	2006-02	0.191425	5.990037e+00
240	2006-03	0.188826	5.918231e+00
241	2006-04	0.186918	5.866415e+00
242	2006-05	0.182750	5.810341e+00
243	2006-06	0.179046	5.752576e+00
244	2006-07	0.175222	5.704801e+00
245	2006-08	0.170829	5.658212e+00
246	2006-09	0.166297	5.602412e+00
247	2006-10	0.161987	5.557453e+00
248	2006-11	0.157674	5.506880e+00
249	2006-12	0.153583	5.458656e+00
250	2007-01	0.148111	5.414106e+00
251	2007-02	0.144728	5.376716e+00
252	2007-03	0.141388	5.317494e+00
253	2007-04	0.138085	5.278737e+00
254	2007-05	0.136067	5.240399e+00
255	2007-06	0.133173	5.199922e+00
256	2007-07	0.130704	5.164757e+00
257	2007-08	0.127794	5.125197e+00
258	2007-09	0.125244	5.080118e+00
259	2007-10	0.122802	5.042284e+00
260	2007-11	0.120682	4.932200e+00
261	2007-12	0.118925	4.823193e+00
262	2008-01	0.117218	4.719147e+00
263	2008-02	0.115135	4.614639e+00
264	2008-03	0.114380	4.559038e+00
265	2008-04	0.113087	4.504924e+00
266	2008-05	0.111967	4.461687e+00
267	2008-06	0.111580	4.423126e+00
268	2008-07	0.111778	4.389771e+00
269	2008-08	0.112887	4.361408e+00
270	2008-09	0.114781	4.314750e+00
271	2008-10	0.117493	4.229066e+00
272	2008-11	0.120487	4.138210e+00
273	2008-12	0.122323	4.067108e+00
274	2009-01	0.124430	4.016638e+00
275	2009-02	0.126482	3.945687e+00
276	2009-03	0.126746	3.845822e+00
277	2009-04	0.126740	3.767652e+00
278	2009-05	0.126038	3.701259e+00
279	2009-06	0.124394	3.658994e+00
280	2009-07	0.121688	3.620672e+00
281	2009-08	0.118174	3.580265e+00
282	2009-09	0.113970	3.546599e+00
283	2009-10	0.109220	3.514202e+00
284	2009-11	0.104684	3.481650e+00
285	2009-12	0.100796	3.449187e+00
286	2010-01	0.096713	3.410902e+00
287	2010-02	0.093608	3.382340e+00
288	2010-03	0.090574	3.348356e+00
289	2010-04	0.088431	3.315432e+00
290	2010-05	0.087738	3.287507e+00
291	2010-06	0.087449	3.258234e+00
292	2010-07	0.088372	3.238768e+00
293	2010-08	0.089974	3.219046e+00
294	2010-09	0.091673	3.201534e+00
295	2010-10	0.093305	3.183964e+00
296	2010-11	0.094681	3.166940e+00
297	2010-12	0.096263	3.149028e+00
298	2011-01	0.098755	3.137153e+00
299	2011-02	0.100950	3.125396e+00
300	2011-03	0.103009	3.114205e+00
301	2011-04	0.105791	3.103893e+00
302	2011-05	0.107673	3.089676e+00
303	2011-06	0.110133	3.077489e+00
304	2011-07	0.111380	3.057049e+00
305	2011-08	0.112965	3.037004e+00
306	2011-09	0.114285	3.016257e+00
307	2011-10	0.115302	2.995565e+00
308	2011-11	0.115926	2.975793e+00
309	2011-12	0.116302	2.952701e+00
310	2012-01	0.116442	2.932449e+00
311	2012-02	0.115888	2.913238e+00
312	2012-03	0.114593	2.885404e+00
313	2012-04	0.112726	2.858315e+00
314	2012-05	0.110397	2.832661e+00
315	2012-06	0.107039	2.806664e+00
316	2012-07	0.104304	2.777242e+00
317	2012-08	0.100235	2.748928e+00
318	2012-09	0.096438	2.716161e+00
319	2012-10	0.092719	2.684651e+00
320	2012-11	0.089117	2.645476e+00
321	2012-12	0.085921	2.608021e+00
322	2013-01	0.081756	2.563191e+00
323	2013-02	0.078541	2.511117e+00
324	2013-03	0.076793	2.476281e+00
325	2013-04	0.074730	2.425868e+00
326	2013-05	0.073385	2.384434e+00
327	2013-06	0.072439	2.336998e+00
328	2013-07	0.072195	2.294212e+00
329	2013-08	0.072492	2.256168e+00
330	2013-09	0.073597	2.221814e+00
331	2013-10	0.075260	2.196510e+00
332	2013-11	0.077432	2.172278e+00
333	2013-12	0.079502	2.153836e+00
334	2014-01	0.081974	2.139169e+00
335	2014-02	0.085332	2.126291e+00
336	2014-03	0.087442	2.112887e+00
337	2014-04	0.090494	2.103494e+00
338	2014-05	0.092899	2.088589e+00
339	2014-06	0.095915	2.079640e+00
340	2014-07	0.098149	2.066694e+00
341	2014-08	0.100414	2.054677e+00
342	2014-09	0.102391	2.045296e+00
343	2014-10	0.104137	2.034588e+00
344	2014-11	0.105764	2.024396e+00
345	2014-12	0.107387	2.012038e+00
346	2015-01	0.108907	1.994363e+00
347	2015-02	0.109838	1.985023e+00
348	2015-03	0.111716	1.968842e+00
349	2015-04	0.112874	1.955097e+00
350	2015-05	0.114991	1.939448e+00
351	2015-06	0.116584	1.926602e+00
352	2015-07	0.119509	1.913646e+00
353	2015-08	0.122230	1.900605e+00
354	2015-09	0.124530	1.889542e+00
355	2015-10	0.126830	1.879203e+00
356	2015-11	0.128937	1.870287e+00
357	2015-12	0.131322	1.862054e+00
358	2016-01	0.133467	1.850701e+00
359	2016-02	0.134720	1.841901e+00
360	2016-03	0.136564	1.839120e+00
361	2016-04	0.137896	1.834686e+00
362	2016-05	0.139329	1.832702e+00
363	2016-06	0.140131	1.830066e+00
364	2016-07	0.140550	1.828550e+00
365	2016-08	0.140725	1.827490e+00
366	2016-09	0.140725	1.827451e+00
367	2016-10	0.140725	1.827481e+00
368	2016-11	0.139936	1.827921e+00
369	2016-12	0.139707	1.828740e+00
370	2017-01	0.140252	1.832428e+00
371	2017-02	0.140201	1.832454e+00
372	2017-03	0.137851	1.831290e+00
373	2017-04	0.136415	1.829801e+00
374	2017-05	0.133123	1.825987e+00
375	2017-06	0.130110	1.822741e+00
376	2017-07	0.126764	1.819040e+00
377	2017-08	0.122659	1.814500e+00
378	2017-09	0.118120	1.809140e+00
379	2017-10	0.113227	1.803231e+00
380	2017-11	0.108090	1.796333e+00
381	2017-12	0.102909	1.788133e+00
382	2018-01	0.096292	1.778913e+00
383	2018-02	0.090464	1.771112e+00
384	2018-03	0.087094	1.761933e+00
385	2018-04	0.082236	1.752132e+00
386	2018-05	0.078950	1.742136e+00
387	2018-06	0.075272	1.731355e+00
388	2018-07	0.072246	1.718290e+00
389	2018-08	0.069516	1.704830e+00
390	2018-09	0.067477	1.689162e+00
391	2018-10	0.066066	1.673798e+00
392	2018-11	0.065052	1.657165e+00
393	2018-12	0.064398	1.643832e+00
394	2019-01	0.063990	1.629536e+00
395	2019-02	0.064104	1.617206e+00
396	2019-03	0.063452	1.605887e+00
397	2019-04	0.063689	1.598040e+00
398	2019-05	0.063438	1.590037e+00
399	2019-06	0.063706	1.583933e+00
400	2019-07	0.063455	1.577985e+00
401	2019-08	0.063235	1.572546e+00
402	2019-09	0.062992	1.567793e+00
403	2019-10	0.062428	1.561981e+00
404	2019-11	0.061682	1.555138e+00
405	2019-12	0.060397	1.547197e+00
406	2020-01	0.058682	1.539182e+00
407	2020-02	0.057023	1.531490e+00
408	2020-03	0.055232	1.522023e+00
409	2020-04	0.052723	1.512759e+00
410	2020-05	0.050290	1.500811e+00
411	2020-06	0.047178	1.487668e+00
412	2020-07	0.043746	1.472395e+00
413	2020-08	0.040190	1.453521e+00
414	2020-09	0.036622	1.438010e+00
415	2020-10	0.033474	1.421727e+00
416	2020-11	0.030824	1.405268e+00
417	2020-12	0.028441	1.389431e+00
418	2021-01	0.026365	1.371034e+00
419	2021-02	0.024545	1.356398e+00
420	2021-03	0.022726	1.338402e+00
421	2021-04	0.021812	1.321621e+00
422	2021-05	0.021594	1.305550e+00
423	2021-06	0.022006	1.290128e+00
424	2021-07	0.023669	1.277333e+00
425	2021-08	0.025808	1.261895e+00
426	2021-09	0.028560	1.250340e+00
427	2021-10	0.031830	1.240317e+00
428	2021-11	0.035825	1.233383e+00
429	2021-12	0.041030	1.227974e+00
430	2022-01	0.047452	1.225148e+00
431	2022-02	0.053638	1.224572e+00
432	2022-03	0.060742	1.225419e+00
433	2022-04	0.068145	1.229160e+00
434	2022-05	0.075452	1.234212e+00
435	2022-06	0.083486	1.241525e+00
436	2022-07	0.090850	1.249697e+00
437	2022-08	0.098612	1.259301e+00
438	2022-09	0.106093	1.270360e+00
439	2022-10	0.112420	1.280962e+00
440	2022-11	0.117685	1.292253e+00
441	2022-12	0.122409	1.303498e+00
442	2023-01	0.126375	1.316803e+00
443	2023-02	0.129320	1.329253e+00
444	2023-03	0.131994	1.339958e+00
445	2023-04	0.133431	1.351029e+00
446	2023-05	0.134392	1.361494e+00
447	2023-06	0.135247	1.372511e+00
448	2023-07	0.135665	1.382955e+00
449	2023-08	0.135724	1.392974e+00
450	2023-09	0.135297	1.400532e+00
451	2023-10	0.134531	1.406258e+00
452	2023-11	0.133525	1.411175e+00
453	2023-12	0.132300	1.415423e+00
454	2024-01	0.129479	1.418554e+00
455	2024-02	0.127150	1.419539e+00
456	2024-03	0.125708	1.421993e+00
457	2024-04	0.123319	1.421518e+00
458	2024-05	0.121285	1.422797e+00

# validação dos dados
filtro_cdi_inferior = cdi_consolidado['ano-mês'] >= '2014-01-01'
filtro_cdi_superior = cdi_consolidado['ano-mês'] <= '2022-12-31'
fig = px.line(cdi_consolidado[filtro_cdi_inferior & filtro_cdi_superior],
              x='ano-mês',
              y='cdi_acum_365d',
              title='retorno cdi (% ano ano)',
              markers=True)

fig.show()

Dolar consolidado

dolar.head(3)

	data	valor
0	1984-11-28	2828.0
1	1984-11-29	2828.0
2	1984-11-30	2881.0

# check de sanidade de dados duplicados
print(dolar['data'].shape[0], dolar.drop_duplicates(subset=['data']).shape[0])

9897 9897

# cria coluna ano-mês
dolar['ano-mês'] = dolar['data'].dt.to_period('M')
# converte para string para plot
dolar['ano-mês'] = dolar['ano-mês'].astype(str)

dolar_consolidado = (
    dolar
    .groupby('ano-mês')
    .agg(
        dolar = ('valor', 'median')
    )
    .reset_index()
    .sort_values(by=['ano-mês'], ascending=True)
)

dolar_consolidado

	ano-mês	dolar
0	1984-11	2828.00000
1	1984-12	3008.00000
2	1985-01	3393.00000
3	1985-02	3765.50000
4	1985-03	4161.00000
5	1985-04	4720.00000
6	1985-05	5230.00000
7	1985-06	5725.00000
8	1985-07	6220.00000
9	1985-08	6710.00000
10	1985-09	7490.00000
11	1985-10	8170.00000
12	1985-11	8892.50000
13	1985-12	9915.00000
14	1986-01	11280.00000
15	1986-02	13065.00000
16	1986-03	13.84000
17	1986-04	13.84000
18	1986-05	13.84000
19	1986-06	13.84000
20	1986-07	13.84000
21	1986-08	13.84000
22	1986-09	13.84000
23	1986-10	14.09000
24	1986-11	14.09000
25	1986-12	14.55950
26	1987-01	15.66800
27	1987-02	18.07650
28	1987-03	20.98650
29	1987-04	23.64000
30	1987-05	31.01250
31	1987-06	39.90650
32	1987-07	45.02900
33	1987-08	47.04800
34	1987-09	49.85700
35	1987-10	53.22700
36	1987-11	59.13500
37	1987-12	67.62050
38	1988-01	77.56700
39	1988-02	90.53800
40	1988-03	107.15000
41	1988-04	125.15000
42	1988-05	150.54500
43	1988-06	177.74000
44	1988-07	213.91000
45	1988-08	267.14000
46	1988-09	324.78000
47	1988-10	409.24000
48	1988-11	525.47000
49	1988-12	665.16500
50	1989-01	1.00000
51	1989-02	1.00000
52	1989-03	1.00000
53	1989-04	1.00000
54	1989-05	1.12200
55	1989-06	1.35400
56	1989-07	1.90500
57	1989-08	2.46400
58	1989-09	3.24300
59	1989-10	4.46500
60	1989-11	6.20250
61	1989-12	9.07750
62	1990-01	14.12750
63	1990-02	23.20050
64	1990-03	38.43500
65	1990-04	51.15400
66	1990-05	51.28450
67	1990-06	56.13650
68	1990-07	66.57300
69	1990-08	71.71700
70	1990-09	75.21800
71	1990-10	94.17900
72	1990-11	118.48500
73	1990-12	151.68000
74	1991-01	196.27000
75	1991-02	221.56000
76	1991-03	229.15000
77	1991-04	252.10000
78	1991-05	273.96000
79	1991-06	297.01000
80	1991-07	328.41000
81	1991-08	371.18000
82	1991-09	429.00000
83	1991-10	581.77000
84	1991-11	736.85500
85	1991-12	956.45000
86	1992-01	1201.92500
87	1992-02	1475.45000
88	1992-03	1813.12500
89	1992-04	2196.00000
90	1992-05	2624.05000
91	1992-06	3144.10000
92	1992-07	3822.90000
93	1992-08	4664.45000
94	1992-09	5758.40000
95	1992-10	7194.40000
96	1992-11	9020.25000
97	1992-12	11120.72500
98	1993-01	14080.75000
99	1993-02	18040.52500
100	1993-03	22405.00000
101	1993-04	28653.10000
102	1993-05	36888.40000
103	1993-06	48020.00000
104	1993-07	62517.50000
105	1993-08	82.41900
106	1993-09	110.50500
107	1993-10	150.43000
108	1993-11	204.37500
109	1993-12	277.73500
110	1994-01	387.57000
111	1994-02	547.62350
112	1994-03	761.41950
113	1994-04	1104.88000
114	1994-05	1573.34000
115	1994-06	2276.43000
116	1994-07	0.93400
117	1994-08	0.89600
118	1994-09	0.86000
119	1994-10	0.84700
120	1994-11	0.83900
121	1994-12	0.84850
122	1995-01	0.84600
123	1995-02	0.84000
124	1995-03	0.89000
125	1995-04	0.90500
126	1995-05	0.89650
127	1995-06	0.91400
128	1995-07	0.92800
129	1995-08	0.94200
130	1995-09	0.95300
131	1995-10	0.95900
132	1995-11	0.96280
133	1995-12	0.96745
134	1996-01	0.97295
135	1996-02	0.98130
136	1996-03	0.98680
137	1996-04	0.99040
138	1996-05	0.99580
139	1996-06	1.00160
140	1996-07	1.00650
141	1996-08	1.01325
142	1996-09	1.01960
143	1996-10	1.02525
144	1996-11	1.03065
145	1996-12	1.03830
146	1997-01	1.04335
147	1997-02	1.04950
148	1997-03	1.05570
149	1997-04	1.06060
150	1997-05	1.06800
151	1997-06	1.07410
152	1997-07	1.08110
153	1997-08	1.08730
154	1997-09	1.09305
155	1997-10	1.09960
156	1997-11	1.10755
157	1997-12	1.11435
158	1998-01	1.12050
159	1998-02	1.12710
160	1998-03	1.13350
161	1998-04	1.14090
162	1998-05	1.14745
163	1998-06	1.15530
164	1998-07	1.16170
165	1998-08	1.17280
166	1998-09	1.18010
167	1998-10	1.18880
168	1998-11	1.19155
169	1998-12	1.20525
170	1999-01	1.50215
171	1999-02	1.91040
172	1999-03	1.86310
173	1999-04	1.69780
174	1999-05	1.67340
175	1999-06	1.76720
176	1999-07	1.80130
177	1999-08	1.87485
178	1999-09	1.89230
179	1999-10	1.97125
180	1999-11	1.92975
181	1999-12	1.84070
182	2000-01	1.79970
183	2000-02	1.77410
184	2000-03	1.73880
185	2000-04	1.76620
186	2000-05	1.82790
187	2000-06	1.80790
188	2000-07	1.79720
189	2000-08	1.80790
190	2000-09	1.84285
191	2000-10	1.87140
192	2000-11	1.95315
193	2000-12	1.96290
194	2001-01	1.95200
195	2001-02	1.99520
196	2001-03	2.08965
197	2001-04	2.17875
198	2001-05	2.30620
199	2001-06	2.38270
200	2001-07	2.47490
201	2001-08	2.51400
202	2001-09	2.67930
203	2001-10	2.73755
204	2001-11	2.53485
205	2001-12	2.34905
206	2002-01	2.37990
207	2002-02	2.42365
208	2002-03	2.34810
209	2002-04	2.31760
210	2002-05	2.48380
211	2002-06	2.69760
212	2002-07	2.87460
213	2002-08	3.10575
214	2002-09	3.18840
215	2002-10	3.85200
216	2002-11	3.57485
217	2002-12	3.61600
218	2003-01	3.42525
219	2003-02	3.59120
220	2003-03	3.44420
221	2003-04	3.14015
222	2003-05	2.96390
223	2003-06	2.87320
224	2003-07	2.88230
225	2003-08	2.99730
226	2003-09	2.91855
227	2003-10	2.86350
228	2003-11	2.92580
229	2003-12	2.93180
230	2004-01	2.84310
231	2004-02	2.93110
232	2004-03	2.90700
233	2004-04	2.90745
234	2004-05	3.12110
235	2004-06	3.12980
236	2004-07	3.03830
237	2004-08	3.00675
238	2004-09	2.88920
239	2004-10	2.85410
240	2004-11	2.77670
241	2004-12	2.71450
242	2005-01	2.70070
243	2005-02	2.59900
244	2005-03	2.70865
245	2005-04	2.58040
246	2005-05	2.46360
247	2005-06	2.40950
248	2005-07	2.36680
249	2005-08	2.36370
250	2005-09	2.29480
251	2005-10	2.25445
252	2005-11	2.20820
253	2005-12	2.30625
254	2006-01	2.27380
255	2006-02	2.15295
256	2006-03	2.15060
257	2006-04	2.12960
258	2006-05	2.18000
259	2006-06	2.25060
260	2006-07	2.18990
261	2006-08	2.15230
262	2006-09	2.16950
263	2006-10	2.14570
264	2006-11	2.16065
265	2006-12	2.14755
266	2007-01	2.13640
267	2007-02	2.09575
268	2007-03	2.09055
269	2007-04	2.03270
270	2007-05	1.96415
271	2007-06	1.93185
272	2007-07	1.87925
273	2007-08	1.97770
274	2007-09	1.89910
275	2007-10	1.80745
276	2007-11	1.76645
277	2007-12	1.78805
278	2008-01	1.76890
279	2008-02	1.73940
280	2008-03	1.70015
281	2008-04	1.68670
282	2008-05	1.65920
283	2008-06	1.62150
284	2008-07	1.59380
285	2008-08	1.62070
286	2008-09	1.81835
287	2008-10	2.17000
288	2008-11	2.28700
289	2008-12	2.37670
290	2009-01	2.31490
291	2009-02	2.30980
292	2009-03	2.30820
293	2009-04	2.20255
294	2009-05	2.06140
295	2009-06	1.95160
296	2009-07	1.93400
297	2009-08	1.84120
298	2009-09	1.80940
299	2009-10	1.74120
300	2009-11	1.72605
301	2009-12	1.75005
302	2010-01	1.77160
303	2010-02	1.83635
304	2010-03	1.78480
305	2010-04	1.75860
306	2010-05	1.81670
307	2010-06	1.80150
308	2010-07	1.76615
309	2010-08	1.75855
310	2010-09	1.71840
311	2010-10	1.68100
312	2010-11	1.71835
313	2010-12	1.69490
314	2011-01	1.67340
315	2011-02	1.66795
316	2011-03	1.66120
317	2011-04	1.58420
318	2011-05	1.61735
319	2011-06	1.58770
320	2011-07	1.56390
321	2011-08	1.59740
322	2011-09	1.72880
323	2011-10	1.76320
324	2011-11	1.77475
325	2011-12	1.85320
326	2012-01	1.78135
327	2012-02	1.71730
328	2012-03	1.81185
329	2012-04	1.84135
330	2012-05	1.99455
331	2012-06	2.04415
332	2012-07	2.03125
333	2012-08	2.02660
334	2012-09	2.02730
335	2012-10	2.02905
336	2012-11	2.07285
337	2012-12	2.07960
338	2013-01	2.03660
339	2013-02	1.97125
340	2013-03	1.98285
341	2013-04	2.00260
342	2013-05	2.02540
343	2013-06	2.15295
344	2013-07	2.25480
345	2013-08	2.34745
346	2013-09	2.26490
347	2013-10	2.18480
348	2013-11	2.29765
349	2013-12	2.34490
350	2014-01	2.37700
351	2014-02	2.39300
352	2014-03	2.33380
353	2014-04	2.23340
354	2014-05	2.21870
355	2014-06	2.23245
356	2014-07	2.22040
357	2014-08	2.26920
358	2014-09	2.33675
359	2014-10	2.44770
360	2014-11	2.54205
361	2014-12	2.65425
362	2015-01	2.62430
363	2015-02	2.84875
364	2015-03	3.16380
365	2015-04	3.05085
366	2015-05	3.04045
367	2015-06	3.10420
368	2015-07	3.18970
369	2015-08	3.49090
370	2015-09	3.86980
371	2015-10	3.86560
372	2015-11	3.79070
373	2015-12	3.88370
374	2016-01	4.03945
375	2016-02	3.97960
376	2016-03	3.66935
377	2016-04	3.54875
378	2016-05	3.53870
379	2016-06	3.40975
380	2016-07	3.27900
381	2016-08	3.21830
382	2016-09	3.24720
383	2016-10	3.18690
384	2016-11	3.39220
385	2016-12	3.36415
386	2017-01	3.20455
387	2017-02	3.10795
388	2017-03	3.12480
389	2017-04	3.12980
390	2017-05	3.18975
391	2017-06	3.29750
392	2017-07	3.18210
393	2017-08	3.15390
394	2017-09	3.13280
395	2017-10	3.17320
396	2017-11	3.26195
397	2017-12	3.29700
398	2018-01	3.22080
399	2018-02	3.24330
400	2018-03	3.28590
401	2018-04	3.40520
402	2018-05	3.65020
403	2018-06	3.77210
404	2018-07	3.85190
405	2018-08	3.91340
406	2018-09	4.12860
407	2018-10	3.71285
408	2018-11	3.76920
409	2018-12	3.88810
410	2019-01	3.74280
411	2019-02	3.72810
412	2019-03	3.83440
413	2019-04	3.87300
414	2019-05	3.99275
415	2019-06	3.86110
416	2019-07	3.76970
417	2019-08	4.01310
418	2019-09	4.12490
419	2019-10	4.09540
420	2019-11	4.18290
421	2019-12	4.08130
422	2020-01	4.16940
423	2020-02	4.32805
424	2020-03	4.97405
425	2020-04	5.26150
426	2020-05	5.68220
427	2020-06	5.22260
428	2020-07	5.30850
429	2020-08	5.45510
430	2020-09	5.36980
431	2020-10	5.61720
432	2020-11	5.38980
433	2020-12	5.15225
434	2021-01	5.33510
435	2021-02	5.40810
436	2021-03	5.65790
437	2021-04	5.58405
438	2021-05	5.28220
439	2021-06	5.03730
440	2021-07	5.16850
441	2021-08	5.24465
442	2021-09	5.27830
443	2021-10	5.53320
444	2021-11	5.56835
445	2021-12	5.64610
446	2022-01	5.52130
447	2022-02	5.19870
448	2022-03	5.03330
449	2022-04	4.70250
450	2022-05	4.98635
451	2022-06	5.12030
452	2022-07	5.38990
453	2022-08	5.12470
454	2022-09	5.21550
455	2022-10	5.26335
456	2022-11	5.30700
457	2022-12	5.23960
458	2023-01	5.18090
459	2023-02	5.18125
460	2023-03	5.20800
461	2023-04	5.04570
462	2023-05	4.96960
463	2023-06	4.84620
464	2023-07	4.80000
465	2023-08	4.89770
466	2023-09	4.93420
467	2023-10	5.05680
468	2023-11	4.89290
469	2023-12	4.89900
470	2024-01	4.91900
471	2024-02	4.96870
472	2024-03	4.98100
473	2024-04	5.12740
474	2024-05	5.14120

# validação dos dados
filtro_dolar_inferior = dolar_consolidado['ano-mês'] >= '1994-07-01'
filtro_dolar_superior = dolar_consolidado['ano-mês'] <= '2022-11-01'
fig = px.line(dolar_consolidado[filtro_dolar_inferior & filtro_dolar_superior],
              x='ano-mês',
              y='dolar',
              title='cotação do dólar em R$',
              markers=True)

fig.show()

Ibovespa consolidado

ibovespa.head(3)

	Date	Open	High	Low	Close	Adj Close	Volume	data
0	1993-04-27	24.799999	25.400000	24.500000	24.500000	24.500000	0	1993-04-27
1	1993-04-28	24.500000	24.600000	23.700001	24.299999	24.299999	0	1993-04-28
2	1993-04-29	24.299999	24.799999	23.700001	23.700001	23.700001	0	1993-04-29

# check de sanidade de dados duplicados
print(ibovespa['data'].shape[0], ibovespa.drop_duplicates(subset=['data']).shape[0])

7676 7676

# cria coluna ano-mês
ibovespa['ano-mês'] = ibovespa['data'].dt.to_period('M')
# converte para string para plot
ibovespa['ano-mês'] = ibovespa['ano-mês'].astype(str)

ibovespa_consolidado = (
    ibovespa
    .groupby('ano-mês')
    .agg(
        ibovespa = ('Adj Close', 'median')
    )
    .reset_index()
    .sort_values(by=['ano-mês'], ascending=True)
)

ibovespa_consolidado.shape

(373, 2)

# validação dos dados
filtro_ibovespa_inferior = ibovespa_consolidado['ano-mês'] >= '2019-01-01'
filtro_ibovespa_superior = ibovespa_consolidado['ano-mês'] <= '2024-05-30'
fig = px.line(ibovespa_consolidado[filtro_ibovespa_inferior & filtro_ibovespa_superior],
              x='ano-mês',
              y='ibovespa',
              title='indíce ibovespa',
              markers=True)

fig.show()

SP&500 consolidado

sp500.head(3)

	Date	Open	High	Low	Close	Adj Close	Volume	data
0	1990-01-02	353.399994	359.690002	351.980011	359.690002	359.690002	162070000	1990-01-02
1	1990-01-03	359.690002	360.589996	357.890015	358.760010	358.760010	192330000	1990-01-03
2	1990-01-04	358.760010	358.760010	352.890015	355.670013	355.670013	177000000	1990-01-04

# check de sanidade de dados duplicados
print(sp500['data'].shape[0], sp500.drop_duplicates(subset=['data']).shape[0])

8648 8648

# cria coluna ano-mês
sp500['ano-mês'] = sp500['data'].dt.to_period('M')
# converte para string para plot
sp500['ano-mês'] = sp500['ano-mês'].astype(str)

sp500_consolidado = (
    sp500
    .groupby('ano-mês')
    .agg(
        sp500 = ('Adj Close', 'median')
    )
    .reset_index()
    .sort_values(by=['ano-mês'], ascending=True)
)

sp500_consolidado.shape

(412, 2)

# validação dos dados
filtro_sp500_inferior = sp500_consolidado['ano-mês'] >= '2019-05-19'
filtro_sp500_superior = sp500_consolidado['ano-mês'] <= '2024-05-30'
fig = px.line(sp500_consolidado[filtro_sp500_inferior & filtro_sp500_superior],
              x='ano-mês',
              y='sp500',
              title='indíce sp500',
              markers=True)

fig.show()

Nasdaq

nasdaq.head(3)

	Date	Open	High	Low	Close	Adj Close	Volume	data
0	1990-01-02	452.899994	459.299988	452.700012	459.299988	459.299988	110720000	1990-01-02
1	1990-01-03	461.100006	461.600006	460.000000	460.899994	460.899994	152660000	1990-01-03
2	1990-01-04	460.399994	460.799988	456.899994	459.399994	459.399994	147950000	1990-01-04

# check de sanidade de dados duplicados
print(nasdaq['data'].shape[0], nasdaq.drop_duplicates(subset=['data']).shape[0])

8648 8648

# cria coluna ano-mês
nasdaq['ano-mês'] = nasdaq['data'].dt.to_period('M')
# converte para string para plot
nasdaq['ano-mês'] = nasdaq['ano-mês'].astype(str)

nasdaq_consolidado = (
    nasdaq
    .groupby('ano-mês')
    .agg(
        nasdaq = ('Adj Close', 'median')
    )
    .reset_index()
    .sort_values(by=['ano-mês'], ascending=True)
)

nasdaq_consolidado.shape

(412, 2)

# validação dos dados
filtro_nasdaq_inferior = nasdaq_consolidado['ano-mês'] >= '2019-05-19'
filtro_nasdaq_superior = nasdaq_consolidado['ano-mês'] <= '2024-05-30'
fig = px.line(nasdaq_consolidado[filtro_nasdaq_inferior & filtro_nasdaq_superior],
              x='ano-mês',
              y='nasdaq',
              title='indíce nasdaq',
              markers=True)

fig.show()

Ouro

ouro.head(3)

	Date	Open	High	Low	Close	Adj Close	Volume	data
0	2000-08-30	273.899994	273.899994	273.899994	273.899994	273.899994	0	2000-08-30
1	2000-08-31	274.799988	278.299988	274.799988	278.299988	278.299988	0	2000-08-31
2	2000-09-01	277.000000	277.000000	277.000000	277.000000	277.000000	0	2000-09-01

# check de sanidade de dados duplicados
print(ouro['data'].shape[0], ouro.drop_duplicates(subset=['data']).shape[0])

5938 5938

# cria coluna ano-mês
ouro['ano-mês'] = ouro['data'].dt.to_period('M')
# converte para string para plot
ouro['ano-mês'] = ouro['ano-mês'].astype(str)

ouro_consolidado = (
    ouro
    .groupby('ano-mês')
    .agg(
        ouro = ('Adj Close', 'median')
    )
    .reset_index()
    .sort_values(by=['ano-mês'], ascending=True)
)

ouro_consolidado.shape

(285, 2)

# validação dos dados
filtro_ouro_inferior = ouro_consolidado['ano-mês'] >= '2013-05-19'
filtro_ouro_superior = ouro_consolidado['ano-mês'] <= '2023-05-30'
fig = px.line(ouro_consolidado[filtro_ouro_inferior & filtro_ouro_superior],
              x='ano-mês',
              y='ouro',
              title='indíce ouro',
              markers=True)

fig.show()

Filtragem do período da análise

Vamos analisar o período de 2010 a 2024. Como queremos a performance em relação aos últimos 10 anos devemos, portanto, filtrar os dados de 2000 até 2024

lista_de_dataframes = {
    'ipca' : ipca_consolidado,
    'selic': selic_consolidado,
    'cdi': cdi_consolidado,
    'dolar': dolar_consolidado,
    'ibovespa': ibovespa_consolidado,
    'sp500': sp500_consolidado,
    'nasdaq': nasdaq_consolidado,
    'ouro': ouro_consolidado
}

for df in lista_de_dataframes.values():
    print(df.shape[0])

532
304
459
475
373
412
412
285

data_inicial = '2000-08'
data_final = '2024-03'
lista_de_dataframes_filtrados = []

for df in lista_de_dataframes.values():
    filtro = (df['ano-mês'] >= data_inicial) & (df['ano-mês'] <= data_final)
    df = df[filtro].reset_index(drop=True)
    lista_de_dataframes_filtrados.append(df)

lista_de_dataframes_filtrados = {
    'ipca' : lista_de_dataframes_filtrados[0],
    'selic': lista_de_dataframes_filtrados[1],
    'cdi': lista_de_dataframes_filtrados[2],
    'dolar': lista_de_dataframes_filtrados[3],
    'ibovespa': lista_de_dataframes_filtrados[4],
    'sp500': lista_de_dataframes_filtrados[5],
    'nasdaq': lista_de_dataframes_filtrados[6],
    'ouro': lista_de_dataframes_filtrados[7]
}

for ativo, df in lista_de_dataframes_filtrados.items():
    print('-'*20 + ativo + '-'*20)
    print(f'quantidade de registros de {ativo}: {df.shape[0]}')
    print(f'data mínima:', df['ano-mês'].min())
    print(f'data máxima:' , df['ano-mês'].max())
    print('colunas:', df.columns)
    display(df.tail(3))

--------------------ipca--------------------
quantidade de registros de ipca: 284
data mínima: 2000-08
data máxima: 2024-03
colunas: Index(['ipca', 'ano-mês', 'ipca_acum_12m', 'ipca_acum_10y'], dtype='object')

	ipca	ano-mês	ipca_acum_12m	ipca_acum_10y
281	0.42	2024-01	4.53	57.63
282	0.83	2024-02	4.42	57.50
283	0.16	2024-03	4.41	57.64

--------------------selic--------------------
quantidade de registros de selic: 284
data mínima: 2000-08
data máxima: 2024-03
colunas: Index(['ano-mês', 'selic'], dtype='object')

	ano-mês	selic
281	2024-01	11.75
282	2024-02	11.25
283	2024-03	11.25

--------------------cdi--------------------
quantidade de registros de cdi: 284
data mínima: 2000-08
data máxima: 2024-03
colunas: Index(['ano-mês', 'cdi_acum_365d', 'cdi_acum_3650d'], dtype='object')

	ano-mês	cdi_acum_365d	cdi_acum_3650d
281	2024-01	0.129479	1.418554
282	2024-02	0.127150	1.419539
283	2024-03	0.125708	1.421993

--------------------dolar--------------------
quantidade de registros de dolar: 284
data mínima: 2000-08
data máxima: 2024-03
colunas: Index(['ano-mês', 'dolar'], dtype='object')

	ano-mês	dolar
281	2024-01	4.9190
282	2024-02	4.9687
283	2024-03	4.9810

--------------------ibovespa--------------------
quantidade de registros de ibovespa: 284
data mínima: 2000-08
data máxima: 2024-03
colunas: Index(['ano-mês', 'ibovespa'], dtype='object')

	ano-mês	ibovespa
281	2024-01	129130.5
282	2024-02	129036.0
283	2024-03	127690.5

--------------------sp500--------------------
quantidade de registros de sp500: 284
data mínima: 2000-08
data máxima: 2024-03
colunas: Index(['ano-mês', 'sp500'], dtype='object')

	ano-mês	sp500
281	2024-01	4783.450195
282	2024-02	5003.094971
283	2024-03	5161.334961

--------------------nasdaq--------------------
quantidade de registros de nasdaq: 284
data mínima: 2000-08
data máxima: 2024-03
colunas: Index(['ano-mês', 'nasdaq'], dtype='object')

	ano-mês	nasdaq
281	2024-01	14972.759766
282	2024-02	15826.430176
283	2024-03	16236.574707

--------------------ouro--------------------
quantidade de registros de ouro: 284
data mínima: 2000-08
data máxima: 2024-03
colunas: Index(['ano-mês', 'ouro'], dtype='object')

	ano-mês	ouro
281	2024-01	2026.000000
282	2024-02	2028.000000
283	2024-03	2160.549927

O volume de dados está bem preenchido, exceto para Ouro que não temos dados de Jan/2000 até Julho/2000

Junção dos dados

retorno_ativos = ipca_consolidado.copy()

for ativo, df in lista_de_dataframes_filtrados.items():
    if ativo != 'ipca':
        retorno_ativos = pd.merge(retorno_ativos, df, on='ano-mês', how='inner')

retorno_ativos.tail(5)

	ipca	ano-mês	ipca_acum_12m	ipca_acum_10y	selic	cdi_acum_365d	cdi_acum_3650d	dolar	ibovespa	sp500	nasdaq	ouro
279	0.28	2023-11	4.72	58.25	12.25	0.133525	1.411175	4.8929	124819.0	4502.879883	14103.839844	1982.750000
280	0.56	2023-12	4.59	57.99	11.75	0.132300	1.415423	4.8990	130197.0	4713.139893	14769.750000	2030.349976
281	0.42	2024-01	4.53	57.63	11.75	0.129479	1.418554	4.9190	129130.5	4783.450195	14972.759766	2026.000000
282	0.83	2024-02	4.42	57.50	11.25	0.127150	1.419539	4.9687	129036.0	5003.094971	15826.430176	2028.000000
283	0.16	2024-03	4.41	57.64	11.25	0.125708	1.421993	4.9810	127690.5	5161.334961	16236.574707	2160.549927

retorno_ativos.shape

(284, 12)

Cálculo de retornos acumulados (pct_change)

Fórmula para Obter o Retorno Anualizado Através dos Juros Compostos

# fórmula para obter o retorno anualizado através do juros compostos:
retorno = (1 + taxa) ^ anos
y = (1 + x)^10
y^(1/10) = 1+x
x = y^(1/10)-1

calculando os retornos ...

# gravando csv para persistência de dados e abrir no Excel
retorno_ativos.round(2).to_csv('retorno_ativos.csv', sep=';', decimal=',', index=False)

# obtendo valores com lag de 10 anos
retorno_ativos['dolar_lag10y'] = retorno_ativos['dolar'].shift(12*10)
retorno_ativos['ibovespa_lag10y'] = retorno_ativos['ibovespa'].shift(12*10)
retorno_ativos['nasdaq_lag10y'] = retorno_ativos['nasdaq'].shift(12*10)
retorno_ativos['sp500_lag10y'] = retorno_ativos['sp500'].shift(12*10)
retorno_ativos['ouro_lag10y'] = retorno_ativos['ouro'].shift(12*10)

retorno_ativos.tail(5)

	ipca	ano-mês	ipca_acum_12m	ipca_acum_10y	selic	cdi_acum_365d	cdi_acum_3650d	dolar	ibovespa	sp500	nasdaq	ouro	dolar_lag10y	ibovespa_lag10y	nasdaq_lag10y	sp500_lag10y	ouro_lag10y
279	0.28	2023-11	4.72	58.25	12.25	0.133525	1.411175	4.8929	124819.0	4502.879883	14103.839844	1982.750000	2.29765	52688.0	3944.465088	1784.934998	1272.799988
280	0.56	2023-12	4.59	57.99	11.75	0.132300	1.415423	4.8990	130197.0	4713.139893	14769.750000	2030.349976	2.34490	50819.0	4060.489990	1805.089966	1226.000000
281	0.42	2024-01	4.53	57.63	11.75	0.129479	1.418554	4.9190	129130.5	4783.450195	14972.759766	2026.000000	2.37700	49311.0	4153.180176	1831.979980	1242.199951
282	0.83	2024-02	4.42	57.50	11.25	0.127150	1.419539	4.9687	129036.0	5003.094971	15826.430176	2028.000000	2.39300	47386.5	4240.669922	1829.829956	1317.099976
283	0.16	2024-03	4.41	57.64	11.25	0.125708	1.421993	4.9810	127690.5	5161.334961	16236.574707	2160.549927	2.33380	46589.0	4279.950195	1866.520020	1340.199951

# transforma ativos para valores percentuais
retorno_ativos['ipca_acum_12m'] = retorno_ativos['ipca_acum_12m']/100
retorno_ativos['ipca_acum_10y'] = retorno_ativos['ipca_acum_10y']/100
retorno_ativos['selic'] = retorno_ativos['selic']/100
retorno_ativos['cdi_acum_3650d'] = retorno_ativos['cdi_acum_3650d']+1

# renomeia colunas para manter consistência
retorno_ativos = (
    retorno_ativos
    .rename(columns = {
        'cdi_acum_365d' : 'cdi_acum_12m',
        'cdi_acum_3650d' : 'cdi_acum_10y',
    })
)

retorno_ativos.tail(5)

	ipca	ano-mês	ipca_acum_12m	ipca_acum_10y	selic	cdi_acum_12m	cdi_acum_10y	dolar	ibovespa	sp500	nasdaq	ouro	dolar_lag10y	ibovespa_lag10y	nasdaq_lag10y	sp500_lag10y	ouro_lag10y
279	0.28	2023-11	0.0472	0.5825	0.1225	0.133525	2.411175	4.8929	124819.0	4502.879883	14103.839844	1982.750000	2.29765	52688.0	3944.465088	1784.934998	1272.799988
280	0.56	2023-12	0.0459	0.5799	0.1175	0.132300	2.415423	4.8990	130197.0	4713.139893	14769.750000	2030.349976	2.34490	50819.0	4060.489990	1805.089966	1226.000000
281	0.42	2024-01	0.0453	0.5763	0.1175	0.129479	2.418554	4.9190	129130.5	4783.450195	14972.759766	2026.000000	2.37700	49311.0	4153.180176	1831.979980	1242.199951
282	0.83	2024-02	0.0442	0.5750	0.1125	0.127150	2.419539	4.9687	129036.0	5003.094971	15826.430176	2028.000000	2.39300	47386.5	4240.669922	1829.829956	1317.099976
283	0.16	2024-03	0.0441	0.5764	0.1125	0.125708	2.421993	4.9810	127690.5	5161.334961	16236.574707	2160.549927	2.33380	46589.0	4279.950195	1866.520020	1340.199951

# calcula retorno de ativos

# dolar
retorno_ativos['retorno_dolar_10y'] = retorno_ativos['dolar'] / retorno_ativos['dolar_lag10y']
retorno_ativos['retorno_dolar_10y_real'] = retorno_ativos['retorno_dolar_10y'] / (retorno_ativos['ipca_acum_10y'] + 1)
retorno_ativos['retorno_dolar_10y_anualizado'] = retorno_ativos['retorno_dolar_10y'] ** (1/10) - 1
retorno_ativos['retorno_dolar_10y_real_anualizado'] = retorno_ativos['retorno_dolar_10y_real'] ** (1/10) - 1

# calcula retorno de ativos

# ibovespa
retorno_ativos['retorno_ibovespa_10y'] = retorno_ativos['ibovespa'] / retorno_ativos['ibovespa_lag10y']
retorno_ativos['retorno_ibovespa_10y_anualizado'] = retorno_ativos['retorno_ibovespa_10y'] ** (1/10) - 1
retorno_ativos['retorno_ibovespa_10y_real'] = retorno_ativos['retorno_ibovespa_10y'] / (retorno_ativos['ipca_acum_10y'] + 1)
retorno_ativos['retorno_ibovespa_10y_real_anualizado'] = retorno_ativos['retorno_ibovespa_10y_real'] ** (1/10) - 1

# calcula retorno de ativos

# sp500
retorno_ativos['retorno_sp500_10y'] = retorno_ativos['sp500'] / retorno_ativos['sp500_lag10y']
retorno_ativos['retorno_sp500_10y_anualizado'] = retorno_ativos['retorno_sp500_10y'] ** (1/10) - 1
retorno_ativos['retorno_sp500_10y_real'] = retorno_ativos['retorno_sp500_10y'] / (retorno_ativos['ipca_acum_10y'] + 1)
retorno_ativos['retorno_sp500_10y_real_anualizado'] = retorno_ativos['retorno_sp500_10y_real'] ** (1/10) - 1

# calcula retorno de ativos

# nasdaq
retorno_ativos['retorno_nasdaq_10y'] = retorno_ativos['nasdaq'] / retorno_ativos['nasdaq_lag10y']
retorno_ativos['retorno_nasdaq_10y_anualizado'] = retorno_ativos['retorno_nasdaq_10y'] ** (1/10) - 1
retorno_ativos['retorno_nasdaq_10y_real'] = retorno_ativos['retorno_nasdaq_10y'] / (retorno_ativos['ipca_acum_10y'] + 1)
retorno_ativos['retorno_nasdaq_10y_real_anualizado'] = retorno_ativos['retorno_nasdaq_10y_real'] ** (1/10) - 1

# calcula retorno de ativos

# ouro
retorno_ativos['retorno_ouro_10y'] = retorno_ativos['ouro'] / retorno_ativos['ouro_lag10y']
retorno_ativos['retorno_ouro_10y_anualizado'] = retorno_ativos['retorno_ouro_10y'] ** (1/10) - 1
retorno_ativos['retorno_ouro_10y_real'] = retorno_ativos['retorno_ouro_10y'] / (retorno_ativos['ipca_acum_10y'] + 1)
retorno_ativos['retorno_ouro_10y_real_anualizado'] = retorno_ativos['retorno_ouro_10y_real'] ** (1/10) - 1

# calcula retorno de ativos

# cdi
retorno_ativos['retorno_cdi_10y'] = retorno_ativos['cdi_acum_10y']
retorno_ativos['retorno_cdi_10y_anualizado'] = retorno_ativos['retorno_cdi_10y'] ** (1/10) - 1
retorno_ativos['retorno_cdi_10y_real'] = retorno_ativos['retorno_cdi_10y'] / (retorno_ativos['ipca_acum_10y'] + 1)
retorno_ativos['retorno_cdi_10y_real_anualizado'] = retorno_ativos['retorno_cdi_10y_real'] ** (1/10) - 1

# calcula retorno de ativos

# nasdaq dolarizado
retorno_ativos['retorno_nasdaq_dolarizado_10y'] = (retorno_ativos['nasdaq'] / retorno_ativos['nasdaq_lag10y'])*(retorno_ativos['retorno_dolar_10y'])
retorno_ativos['retorno_nasdaq_dolarizado_10y_anualizado'] = retorno_ativos['retorno_nasdaq_dolarizado_10y'] ** (1/10) - 1
retorno_ativos['retorno_nasdaq_dolarizado_10y_real'] = (retorno_ativos['retorno_nasdaq_10y'] * retorno_ativos['retorno_dolar_10y']) / (retorno_ativos['ipca_acum_10y'] + 1)
retorno_ativos['retorno_nasdaq_dolarizado_10y_real_anualizado'] = retorno_ativos['retorno_nasdaq_dolarizado_10y_real'] ** (1/10) - 1

# calcula retorno de ativos

# sp500 dolarizado
retorno_ativos['retorno_sp500_dolarizado_10y'] = (retorno_ativos['sp500'] / retorno_ativos['sp500_lag10y'])*(retorno_ativos['retorno_dolar_10y'])
retorno_ativos['retorno_sp500_dolarizado_10y_anualizado'] = retorno_ativos['retorno_sp500_dolarizado_10y'] ** (1/10) - 1
retorno_ativos['retorno_sp500_dolarizado_10y_real'] = (retorno_ativos['retorno_sp500_10y'] * retorno_ativos['retorno_dolar_10y']) / (retorno_ativos['ipca_acum_10y'] + 1)
retorno_ativos['retorno_sp500_dolarizado_10y_real_anualizado'] = retorno_ativos['retorno_sp500_dolarizado_10y_real'] ** (1/10) - 1

retorno_ativos.columns

Index(['ipca', 'ano-mês', 'ipca_acum_12m', 'ipca_acum_10y', 'selic',
       'cdi_acum_12m', 'cdi_acum_10y', 'dolar', 'ibovespa', 'sp500', 'nasdaq',
       'ouro', 'dolar_lag10y', 'ibovespa_lag10y', 'nasdaq_lag10y',
       'sp500_lag10y', 'ouro_lag10y', 'retorno_dolar_10y',
       'retorno_dolar_10y_real', 'retorno_dolar_10y_anualizado',
       'retorno_dolar_10y_real_anualizado', 'retorno_ibovespa_10y',
       'retorno_ibovespa_10y_anualizado', 'retorno_ibovespa_10y_real',
       'retorno_ibovespa_10y_real_anualizado', 'retorno_sp500_10y',
       'retorno_sp500_10y_anualizado', 'retorno_sp500_10y_real',
       'retorno_sp500_10y_real_anualizado', 'retorno_nasdaq_10y',
       'retorno_nasdaq_10y_anualizado', 'retorno_nasdaq_10y_real',
       'retorno_nasdaq_10y_real_anualizado', 'retorno_ouro_10y',
       'retorno_ouro_10y_anualizado', 'retorno_ouro_10y_real',
       'retorno_ouro_10y_real_anualizado', 'retorno_cdi_10y',
       'retorno_cdi_10y_anualizado', 'retorno_cdi_10y_real',
       'retorno_cdi_10y_real_anualizado', 'retorno_nasdaq_dolarizado_10y',
       'retorno_nasdaq_dolarizado_10y_anualizado',
       'retorno_nasdaq_dolarizado_10y_real',
       'retorno_nasdaq_dolarizado_10y_real_anualizado',
       'retorno_sp500_dolarizado_10y',
       'retorno_sp500_dolarizado_10y_anualizado',
       'retorno_sp500_dolarizado_10y_real',
       'retorno_sp500_dolarizado_10y_real_anualizado'],
      dtype='object')

colunas_interesse = [
    'ano-mês', 'ipca_acum_10y', 'cdi_acum_10y', 'ibovespa', 'ibovespa_lag10y',
    'sp500', 'sp500_lag10y', 'dolar', 'dolar_lag10y', 'ouro', 'ouro_lag10y',
    'nasdaq', 'nasdaq_lag10y',
    'retorno_cdi_10y_real_anualizado', 'retorno_cdi_10y_anualizado',                    
    'retorno_dolar_10y_anualizado',
    'retorno_dolar_10y_real_anualizado', 
    'retorno_ibovespa_10y_anualizado', 
    'retorno_ibovespa_10y_real_anualizado',
    'retorno_sp500_10y_anualizado',
    'retorno_sp500_10y_real_anualizado', 
    'retorno_nasdaq_10y_anualizado',
    'retorno_nasdaq_10y_real_anualizado',
    'retorno_ouro_10y_anualizado',
    'retorno_ouro_10y_real_anualizado',       
    'retorno_nasdaq_dolarizado_10y_anualizado',
    'retorno_nasdaq_dolarizado_10y_real_anualizado',
    'retorno_sp500_dolarizado_10y_anualizado',
    'retorno_sp500_dolarizado_10y_real_anualizado'
]

retorno_ativos_resumido = retorno_ativos[colunas_interesse]

retorno_ativos_resumido.tail(5)

	ano-mês	ipca_acum_10y	cdi_acum_10y	ibovespa	ibovespa_lag10y	sp500	sp500_lag10y	dolar	dolar_lag10y	ouro	ouro_lag10y	nasdaq	nasdaq_lag10y	retorno_cdi_10y_real_anualizado	retorno_cdi_10y_anualizado	retorno_dolar_10y_anualizado	retorno_dolar_10y_real_anualizado	retorno_ibovespa_10y_anualizado	retorno_ibovespa_10y_real_anualizado	retorno_sp500_10y_anualizado	retorno_sp500_10y_real_anualizado	retorno_nasdaq_10y_anualizado	retorno_nasdaq_10y_real_anualizado	retorno_ouro_10y_anualizado	retorno_ouro_10y_real_anualizado	retorno_nasdaq_dolarizado_10y_anualizado	retorno_nasdaq_dolarizado_10y_real_anualizado	retorno_sp500_dolarizado_10y_anualizado	retorno_sp500_dolarizado_10y_real_anualizado
279	2023-11	0.5825	2.411175	124819.0	52688.0	4502.879883	1784.934998	4.8929	2.29765	1982.750000	1272.799988	14103.839844	3944.465088	0.043010	0.092001	0.078520	0.030134	0.090076	0.041172	0.096950	0.047737	0.135886	0.084927	0.045324	-0.001573	0.225076	0.170116	0.183083	0.130006
280	2023-12	0.5799	2.415423	130197.0	50819.0	4713.139893	1805.089966	4.8990	2.34490	2030.349976	1226.000000	14769.750000	4060.489990	0.043365	0.092193	0.076461	0.028337	0.098645	0.049529	0.100731	0.051522	0.137835	0.086967	0.051739	0.004720	0.224836	0.170078	0.184894	0.131922
281	2024-01	0.5763	2.418554	129130.5	49311.0	4783.450195	1831.979980	4.9190	2.37700	2026.000000	1242.199951	14972.759766	4153.180176	0.043738	0.092334	0.075436	0.027592	0.101054	0.052070	0.100733	0.051764	0.136821	0.086246	0.050134	0.003416	0.222579	0.168189	0.183769	0.131105
282	2024-02	0.5750	2.419539	129036.0	47386.5	5003.094971	1829.829956	4.9687	2.39300	2028.000000	1317.099976	15826.430176	4240.669922	0.043867	0.092379	0.075796	0.028021	0.105365	0.056276	0.105816	0.056707	0.140761	0.090101	0.044107	-0.002261	0.227227	0.172727	0.189632	0.136802
283	2024-03	0.5764	2.421993	127690.5	46589.0	5161.334961	1866.520020	4.9810	2.33380	2160.549927	1340.199951	16236.574707	4279.950195	0.043880	0.092490	0.078761	0.030763	0.106082	0.056868	0.107065	0.057807	0.142630	0.091790	0.048913	0.002243	0.232625	0.177780	0.194258	0.141121

# checks
# cdi
# ibovespa
# sp500
# sp500 dolarizado
# ouro

Export para visualização de dados (Excel/Powerpoint)

retorno_ativos_resumido.dropna().to_csv('retorno_ativos_resumido.csv', sep=';', decimal=',', index=False)

IPCA+ 6% a.a. é o melhor ativo de renda fixa dos últimos tempos?

Recentemente, realizei uma análise interessante sobre o desempenho real (descontada a inflação) de diversos ativos financeiros ao longo dos últimos anos. Comparei o CDI, Ibovespa, Nasdaq, S&P 500 e um investimento teórico em IPCA+6%. Compartilho com vocês algumas conclusões dessa análise:

Hoje: IPCA+6% supera tanto o Ibovespa quanto o CDI nos últimos 10 anos. No entanto, IPCA+6% perde para os índices americanos Nasdaq e S&P 500, já contabilizados os efeitos cambiais.

De 2014 até hoje: IPCA+6% apresenta um desempenho superior ao Ibovespa. Um insight interessante, trazendo menor risco e mais ganho. 2016-2018: O retorno do Ibovespa nos últimos 10 anos ficou abaixo da inflação do mesmo período, o que destaca a importância de considerar a inflação ao avaliar os retornos.

2010-2013: Tanto o CDI quanto o Ibovespa superaram o IPCA+6% e o S&P 500, indicando uma reversão em relação ao cenário atual.

Reflexões

Essas observações ressaltam a importância de diversificar investimentos e de considerar o contexto econômico ao longo do tempo. Avaliar o retorno real descontado pela inflação é essencial para uma compreensão mais precisa do desempenho dos ativos. Esses resultados podem nos ensinar muito sobre estratégias de investimento. A análise histórica mostra que, embora o IPCA+6% ofereça um retorno robusto e seguro em muitos cenários, os índices americanos como Nasdaq e S&P 500 têm se mostrado extremamente competitivos, especialmente nos últimos anos.